Nieuwe technologieën – kunstmatige intelligentie voorop – kunnen ons leervermogen enorm versnellen. De afgelopen jaren zijn volume en beschikbaarheid van realtime data exponentieel gegroeid en algoritmen kunnen met ongekende snelheid complexe patronen en inzichten ontsluiten. Dit leidt tot kortere productcycli en snel veranderende bedrijfsmodellen. Bedrijven die als eerste op nieuwe trends of behoeften inspelen, hebben een groot concurrentievoordeel.

Hoe creëer je een automatisch lerende organisatie en daarmee dus concurrentievoordeel? Het antwoord: niet alleen door technologie. Langzame sociale, politieke en economische verschuivingen zijn net zo belangrijk als de snelle, door technologie gedreven mogelijkheden. Concurreren door sneller leren wordt pas mogelijk als bedrijven het kunstmatig én het menselijk leren combineren.

Lerende organisaties zijn niet nieuw

Lerende organisaties van de ‘eerste generatie’ gebruikten opgebouwde ervaring om bestaande processen efficiënter uit te voeren. De ervaringscurve van Bruce Henderson toonde aan dat zolang de ervaring toenam, de kosten per productie-eenheid constant met een voorspelbaar percentage daalden. Concurreren door sneller leren ging dus in feite om het sneller creëren van ervaring dan de concurrentie, zodat de marginale kosten daalden. Onderliggende mechanismes waren onder andere het gebruik van statistische procesbeheersing, zoals Kaizen en Six Sigma.

Het leren in de ‘tweede generatie’ kwam de afgelopen jaren op. Bedrijven leerden om sneller nieuwe producten en diensten te maken. Dit voegde een nieuwe dimensie toe: bedrijven moesten niet alleen de ervaringscurve afdalen voor hun huidige producten en diensten, maar ook continu springen naar nieuwe curves.

Dit ‘springen’ heeft altijd bestaan. Echter, de technologische innovatie maakt de levensduur van producten steeds korter. Dus nieuwe leercurves verschijnen voordat de oude zijn voltooid, en bedrijven moeten beide dimensies van leren tegelijkertijd in balans uitvoeren. Netflix veranderde in minder dan tien jaar van dvd-verhuurbedrijf naar streamingdienst naar programmamaker, terwijl het uitbreidde naar 190 landen.

Een derde generatie van leren begint zich nu af te tekenen. Technologieën zoals sensoren, digitale platforms en kunstmatige intelligentie (AI) zorgen voor een massale versnelling van het creëren, verzamelen en verwerken van informatie. Het wordt voor bedrijven mogelijk om in seconden of zelfs milliseconden te leren van klanten, bedrijfsoperaties en marktomstandigheden, én hierop te reageren.

“Hoe kunnen leiders strategisch handelen om voordeel te halen uit leren en ten volste gebruikmaken van het potentieel van nieuwe technologieën?”

Maar tegelijkertijd worden naast al deze versnellingen de tijdslijnen waar bedrijven mee te maken hebben verlengd. Sociale, politieke en economische bewegingen hebben vaak langere looptijden voor hun impact zichtbaar wordt. Succesvolle bedrijven houden voeling en rekening met deze context.

De derde generatie lerende organisaties zijn bedrijven die met beide tijdschalen parallel weten om te gaan. Het toepassen van algoritmes op de korte termijn en aanpassingen al naar gelang de omstandigheden op de (iets) langere termijn. Net zoals bij de eerste en tweede generatie lerende bedrijven dient hiervoor de organisatie opnieuw te worden bekeken en ontworpen, anders levert het gebruik van de nieuwe technologieën geen of beperkte waarde, en wordt het menselijke leren niet versneld. Derde generatie lerende organisaties worden ook wel mens & machine-lerende organisaties genoemd.

Autonomisering en zelfsturing

De versnelling van technologie vereist een ander bedrijfsmodel, gebaseerd op autonomisering in plaats van hiërarchie. Toonaangevende organisaties bereiken dit door data, AI-algoritmen en geautomatiseerde processen te verbinden, op een geïntegreerde manier en met minimale menselijke tussenkomst. Hiermee creëren ze een versterkende loop: meer data zorgt voor krachtiger leeralgoritmen, waardoor beslissingsmodellen verbeteren. Deze laten het volume toenemen waardoor er nog meer data wordt gegenereerd.

Aangezien deze systemen niet afhankelijk zijn van menselijke besluitvorming, kunnen ze handelen en leren met de ‘snelheid van data’ in plaats van de ‘snelheid van hiërarchie’.

Amazon heeft bijvoorbeeld zijn tientallen dataverwerkings- en interpretatiesystemen volledig geïntegreerd, zodat nieuwe informatie uit een deel van het bedrijf (bijvoorbeeld het verhogen van de verkoop van één product) automatisch naar andere gebieden stroomt (zoals inventarisvoorspelling). Amazon kan hierdoor direct inspelen op nieuwe marktinformatie.

Autonoom leren omzeilt de managementhiërarchie die van oudsher bedrijven definieert. In plaats daarvan worden bedrijven, wanneer ze op de juiste manier zijn ontworpen, zelfsturend: ze detecteren en reageren direct op veranderingen in de markt. Voor leidinggevenden die zijn opgegroeid in een tijdperk van bestuurlijke besluitvorming kan dit ongemakkelijk zijn. Echter, gezien de kracht van moderne technologieën, moeten leiders machines laten doen waar ze goed in zijn. Zelf moeten ze zich concentreren op de kritieke problemen die wél menselijke capaciteiten vereisen.

Langzame trends: de nieuwe focus

De meeste leiders zijn zich goed bewust van de steeds korter wordende cyclustijden van producten, diensten en beslissingen. Dat de langere tijdshorizon zoals hierboven beschreven ook steeds belangrijker wordt is echter veel minder bekend. Het lijkt een paradox: terwijl de levensduur van bedrijven korter wordt en bedrijven sneller dan ooit hun concurrentiepositie verliezen, wordt een meerjarige horizon dus steeds relevanter. Het is echter geen paradox. Zodra tekenen van verslechterende prestaties van de huidige producten en diensten zichtbaar worden, is het vaak te laat om het tij te keren.

Bedrijven moeten dus op elke tijdshorizon adaptief zijn, van milliseconden tot tientallen jaren. Alleen zo kunnen bedrijven hun toegevoegde waarde en kans op overleven maximaliseren. Leren over een langere tijdshorizon vereist een heel andere aanpak, omdat zelfs de meest geavanceerde technologische leermethoden de langzaam bewegende externe krachten niet goed kunnen analyseren. Hoewel hedendaagse AI-applicaties correlaties extreem goed kunnen identificeren, en dat sneller doen dan mensen, kunnen ze de hoger-orde causale relaties en invloed daarvan niet bepalen. Hiervoor zijn meer abstracte redeneringen en verbeelding nodig, waardoor dit voorlopig het domein van mensen blijft.

Mens en machine in balans

De derde generatie lerende organisaties is dus een systeem van mens + machine, waar kunstmatige en menselijke intelligentie elk hun comparatieve voordelen hebben. Terwijl machines razendsnel gegevens verzamelen en uitvoerbare patronen vinden, concentreren mensen zich op de langere termijn. Mensen richten zich bijvoorbeeld op het stellen van doelen voor het mens & machinesysteem en het inrichten ervan. Ze blijven verbeelding nodig hebben om nieuwe kansen te ontdekken. Daarnaast ontwerpen ze de geïntegreerde machine en ontwikkelen ze deze continu door.

De vraag is nu: hoe kunnen leiders strategisch handelen om voordeel te halen uit leren, waarbij ze ten volste gebruikmaken van het potentieel van nieuwe technologieën?

Investeren in autonome leersystemen

Algoritmen voor kunstmatige intelligentie zijn veel krachtiger wanneer ze worden aangesloten op ecosystemen zodat ze een enorme zee aan eigen data genereren. Net zoals bij de traditionele ervaringscurve zorgt een eigen ecosysteem voor het sneller kunnen leren over de markt en het zich continu te verbeteren.

Uber en Lyft hebben bijvoorbeeld sterk geïnvesteerd in platforms die chauffeurs en rijders verbinden en die eigen data verzamelen over alle resulterende transacties. Hiermee kunnen ze hun dienst verbeteren (bijvoorbeeld routeringsefficiëntie) en betere producten maken (bijvoorbeeld het introduceren van nieuwe services). Deze voordelen leiden op hun beurt weer tot meer transacties, waardoor meer data in de versterkende loop wordt geleid.

Effectieve verbindingen ontwerpen tussen mens en machine

Zoals beschreven zijn er nog steeds veel activiteiten waar mensen beter in zijn. Mensen en AI moeten daarom naadloos kunnen integreren. Black-box AI-modellen zijn bijvoorbeeld niet altijd bruikbaar, omdat ze niet te begrijpen of vertrouwen zijn voor mensen.

Patiënten verwachten bijvoorbeeld hun diagnose te horen van een arts, niet van een machine. Bij bijvoorbeeld het analyseren van röntgenfoto’s heeft AI mogelijkheden dit beter en sneller te doen, maar diagnose blijft een taak voor artsen. Zij voegen aan de AI-analyse een hoger-orde beoordeling toe.

Autonome leerstructuren integreren in de hele onderneming

Zelf uitvoerende beslissystemen worden op grote schaal geïmplementeerd in de digitale wereld, maar ze kunnen net zo krachtig zijn wanneer ze zijn ingebed in de administratieve systemen – zoals planning, informatiesystemen en resource-beheer – van ondernemingen.

Alibaba heeft bijvoorbeeld een flexibele organisatiestructuur die eenheden aanmoedigt om zelfstandig te handelen. Alle aspecten van het bedrijf worden onderworpen aan en gestuurd door marktwerking. Het resultaat is een ‘zelf afstemmende onderneming’ die zich constant aanpast en experimenteert om meer te leren over haar markt en omgeving.

Het bedrijf meten en sturen op alle tijdschalen

Naarmate de leercapaciteiten van de organisatie evolueren, moeten de traditionele meeteenheden en verantwoordelijkheden worden uitgebreid om het aanpassingsvermogen aan te moedigen. Hoewel kwartaalomzet, kosten en winstgevendheid essentieel blijven, moeten ze worden toegepast op steeds kortere intervallen en worden aangevuld met leerstatistieken.

De organisatie van alle tijdschalen

Governance-structuren moeten worden aangepast aan de kortere intervallen, omdat traditionele toezichtmethoden mogelijk niet toereikend zijn. Vóór de implementatie moeten machines uitvoerig worden getest op extreme situaties, om ervoor te zorgen dat hun autonome acties niet leiden tot ongewenste resultaten. Algoritmen moeten waar mogelijk verklaarbaar zijn, zodat hun werking effectiever kan worden gecontroleerd en mensen hun beslissingen kunnen vertrouwen.

Actie is ook nodig voor de langere tijdshorizon. Om de fitheid van een bedrijf voor de lange termijn te begrijpen, moeten traditionele historische prestatiestatistieken van bedrijven worden aangevuld met toekomstgerichte maatregelen.

Het ‘derde-generatieleren’ biedt enorme kansen. Bedrijven kunnen zowel de kracht van snel leren met technologie als menselijke vindingrijkheid op een langere tijdshorizon ontketenen. Dit vereist wel dat leiders hun organisatie en besturing opnieuw uitvinden.

Martin Reeves, Kevin Whitaker, Marc Schuuring en Maxim Oei zijn werkzaam bij Boston Consulting Group

“Leiders moeten hun organisatie en besturing opnieuw uitvinden”

Helping organizations make the changes needed to seize competitive advantage—and to win—has always been BCG’s raison d'être. Since 1963, we have been helping leaders and their organizations build lasting advantage. The independent spirit handed down from Bruce Henderson, BCG's founder—always challenging the status quo—has given the firm the courage to look beyond the obvious to find solutions for more than 50 years.

REAGEREN

Plaats je reactie
Je naam